对 AI 的野心，不应止于做更多的事
近日，在得到 App 里听了快刀青衣的一期节目，介绍的是 Anthropic 工程师 Felix Rieseberg 写的一篇文章，题目叫《How to be more ambitious》，大意是如何更有雄心地使用 AI。
刀哥在节目中讲了自己的一段经历。他想把过去十余年“时间的朋友”跨年演讲留下的照片全部保存下来，总计约十万张。过去，这几乎是一项不可能完成的任务：工作量太大，又十分枯燥，恐怕没有人愿意专门为此投入大量时间。然而，他把任务交给 AI，一个晚上，AI 就完成了照片的批量下载，后来还按照年份和画面内容进行了整理。
真正让他受到触动的，并不是 AI 处理照片的速度，而是他过去压根没有想到可以这样做。他由此提出一个问题：究竟是 AI 的能力限制了我们，还是我们的想象力限制了 AI？
这个问题引起了我的兴趣。过去两年，我与 AI 的互动越来越深入，从最初查询资料、处理文字，到后来学习摄影、研究问题，甚至尝试开发自己的软件，AI 已经逐渐融入日常生活。它所带来的变化是实实在在的，但随着技术不断进步，我也越来越觉得，我们对 AI 的认识和使用，还有很大的探索空间。
Felix 的这篇文章，恰好提供了一个重新思考的角度。
从提高效率，到重新想象可能性
作者把人们使用 AI 的雄心概括为四个维度：速度（Speed）、高度（Altitude）、深度（Depth）和广度（Range）。
速度比较容易理解，就是用更少的时间完成原来需要较长时间的工作。高度则是提升思考的抽象层次，不再局限于眼前的具体任务，而是追问任务背后真正想实现的结果。深度意味着按照一流专业人士的标准，使用更加专业的方法和工具处理问题。广度则是突破单一专业领域的限制，引入其他学科的知识、方法与视角。
这四个维度看起来并不复杂，但仔细想来，其中的差别很大。
速度是最容易感受到的变化。过去需要花费大量时间的资料整理、文字处理和信息检索，现在可以借助 AI 大幅提高效率。但作者真正希望我们关注的，是速度之外的三个维度。
我对其中的“高度”尤其感兴趣。它并不是简单地把任务做大，而是改变我们看待任务的方式。
例如，让 AI 修复一个软件故障，是解决一项具体问题；让 AI 帮助维持整个软件系统的稳定运行，则是在追求一个更高层次的结果。两者看起来相近，实际上对目标的理解、工作方法和资源组织都有很大不同。
刀哥讲述的十万张照片的故事，则很好地体现了任务规模和想象边界的突破。过去认为不值得做、做不了的事情，现在有了新的实现可能。如果进一步思考，还可以从下载和整理照片，发展到建立一个能够持续更新、检索和利用的数字影像档案。这就不只是工作量的变化，而是目标层次的提升。
这让我想到，使用 AI 时，我们不能只问它能够帮我完成什么，还应该进一步思考：这件事情真正想实现的是什么？有没有比眼前任务更值得追求的结果？
深度与广度：不仅要求答案，还要要求方法
文章中关于“深度”的讨论也给我留下了很深的印象。
作者提醒我们，简单地要求 AI 扮演某个领域的专家，并不意味着它真的采用了专业的方法。更重要的是，要让它从原始材料出发，使用专业工具和研究方法，寻找反对证据，并通过外部标准检验结论。
这一点对于学术研究尤其重要。
例如，研究一个行业的发展趋势，不能仅仅让 AI 写一份看起来专业的行业报告，而应当要求它查找原始论文、核对数据、比较不同案例，分析结论成立的条件，并主动寻找可能推翻原有判断的证据。
我觉得，这种要求同样适用于日常学习和写作。我们不应只满足于得到一个流畅、完整的答案，还应关心它是怎样得出的，依据是什么，有没有其他合理的解释。
至于“广度”，作者提出了一个很有意思的方法：把描述任务的名词换成动词。
例如，与其说“帮我做一份 PPT”，不如先想清楚，这份 PPT 究竟要让听众理解什么、相信什么，或者作出什么决定。前者容易让 AI 交付一个形式完整的文件，后者则会促使它思考真正需要解决的问题。
我认为，这种方法的价值在于帮助我们跳出原有的思维框架。很多时候，我们习惯于按照熟悉的方式解决问题，却忽略了其他领域可能已经存在更好的方法。
如果能够把经济学的分析方法、统计学的证据检验、心理学的行为研究以及法律人的逻辑论证结合起来，就可能获得单一专业视角难以提供的认识。
AI 的一个重要价值，正是帮助个人更方便地调动这些原本分散在不同领域的知识与方法。
让 AI 成为学习和探索的伙伴
回顾自己近两年的学习与实践，我越来越感受到，AI 带来的不仅是效率提升，也在改变个人进入陌生领域的方式。
例如“华忆”项目。最初，我希望利用母亲年轻时留下的日记，帮助她重新接触那些久远的青春记忆，也为家庭留下一份可以延续的记忆。对于软件开发和语音交互，我原本并不熟悉，但在 AI 的协助下，我们从文字整理、网站建设逐步推进，后来还在手机上实现了实时语音交流。
摄影学习也是如此。借助 AI，我不再只是被动查阅相机说明书，而是可以围绕真实的操作问题开展互动学习，从功能原理到实际拍摄，再到作品分析，逐步建立自己的知识体系。
这些经历让我认识到，AI 正在降低个人进入陌生领域的门槛，也在拓展个人能够独立探索的范围。
但我更期待的是，AI 不仅能够回答已经提出的问题，还能帮助我们发现尚未意识到的问题；不仅能够提供现成的知识，还能帮助我们理解知识背后的方法；不仅能够协助完成一项工作，还能引导我们思考有没有更好的实现路径。
这意味着，我们对 AI 的要求也应该不断提高。
过去，我们习惯于提出一个明确的任务，等待 AI 给出答案。现在，我更希望它在理解任务之后，能够适当地向上追问目标，向下深入方法，向外拓展视角，并在必要的时候提出不同意见。
它不必总是赞同我们的想法。当我们的假设缺乏依据、目标设定得过低，或者忽略了某些重要因素时，它应该能够主动指出来。
我认为，这才是从执行助手走向思想伙伴的重要变化。
人与 AI 应该共同成长
随着这次学习不断深入，我开始思考一个更长远的问题：如果 AI 的能力还在持续提升，那么人与 AI 的关系应该怎样发展？
我希望它不只是一个越来越强大的工具，而是能够帮助自己不断学习、思考和成长的伙伴。
当然，这种关系不是简单地把更多工作交给 AI，也不是让 AI 替我们作出判断。真正有价值的合作，应该是双方在不断互动中共同提高。
比如，面对一个重要问题，我可以先提出自己的初步判断，再让 AI 从专业方法、不同学科和反方立场进行分析，指出其中可能存在的漏洞。经过讨论，我再重新审视自己的认识，并尝试把获得的方法运用到另一个问题中。
这样一来，AI 不只是提供答案，也参与了一个不断发现问题、检验观点和修正判断的过程。
我觉得，这种学习方式有一个重要特点：我的问题推动 AI 展开更深入的分析，AI 的分析又促使我形成新的认识，进而提出更有质量的问题。经过反复讨论、实践和检验，我们的合作才有可能不断向更高水平发展。
不过，讨论得越来越复杂，并不意味着认识一定越来越深刻。人和 AI 也可能在不断相互肯定中，把一个未经充分检验的观点说得越来越有道理。因此，批判性思考、反方意见和外部证据始终不可缺少。
更重要的是，最终的判断仍然应当由人来完成。AI 可以提供信息、分析和建议，却不能代替个人的价值选择，也不能替代人对现实后果的承担。
更大的雄心，最终指向人的成长
Felix 在文章中谈到了心理学中的自我效能感，即一个人对自己能否完成某项任务的信念，会影响他是否愿意尝试，以及如何面对困难。
我觉得，这一点很有启发。
过去，我们往往根据已有的知识、经验和资源，判断一件事情能不能做。但在 AI 快速发展的今天，这种判断的基础正在发生变化。有些过去没有能力做、甚至没有想到可以做的事情，现在已经有了新的可能。
因此，我们确实需要对 AI 更有雄心，不要过早地用过去的经验限制未来的可能性。
但经过这次学习，我觉得还应该进一步明确：对 AI 的雄心，不应仅仅表现为让它完成更多、更难、更复杂的任务，还应该表现为我们对自身成长提出更高要求。
对我而言，未来与 AI 长期协作，最重要的目标是提高自己在现实生活中的独立判断能力，其次是不断深化思想认识。效率提升和高质量成果固然重要，但它们更应成为实现这一目标的手段。
我希望自己能够在 AI 的帮助下，更好地识别问题、理解不同观点、判断证据的可靠程度，学会在不确定的条件下权衡利弊，并在面对新的情境时，依然能够独立思考和作出判断。
AI 可以帮助我们拓展能力边界，但真正值得追求的，是在这个过程中让自己也不断成长。
也许，几年以后，衡量人与 AI 合作是否成功的标准，不只是完成了多少项目、写出了多少文章，而是面对一个过去没有遇到过的复杂问题时，我们是否拥有了更清晰的认识、更开阔的视野和更稳健的判断。
对 AI 的野心，不应止于让它做更多的事；更重要的是，通过与它的合作，让自己成为一个更有能力、更有判断力的人。
这或许才是我从这篇文章中获得的最重要启发。
阅读来源：
Felix Rieseberg, How to be more ambitious: A tutorial for humans with models.
https://felixrieseberg.com/how-to-be-more-ambitious-a-tutorial-for-humans-with-models/
快刀青衣（刀哥）｜得到 App《快刀广播站》相关解读。